%0 Journal Article %T استفاده از شاخص‌های طیفی در برآورد رطوبت سطحی خاک براساس الگوریتم یادگیری ماشین %J تحقیقات آب و خاک ایران %I دانشگاه تهران %Z 2008-479X %A صداقت, آزاده %A شعبانپور شهرستانی, محمود %A نوروزی, علی اکبر %A فلاح نصرت آباد, علیرضا %A بیات, حسین %D 2022 %\ 02/20/2022 %V 52 %N 12 %P 3001-3018 %! استفاده از شاخص‌های طیفی در برآورد رطوبت سطحی خاک براساس الگوریتم یادگیری ماشین %K توابع انتقالی %K شاخص رنگ خاک %K شاخص شوری %K شاخص حرارتی خاک %K رطوبت سطحی خاک %R 10.22059/ijswr.2022.333856.669130 %X اطلاع دقیق از میزان رطوبت سطح خاک و توزیع مکانی و زمانی آن می­تواند منجر به بهره­برداری بهینه از امکانات زمین گردد. هدف از پژوهش حاضر برآورد رطوبت سطحی خاک به­وسیله پارامترهای زودیافت خاک و شاخص­های طیفی حاصل از سنجنده سنتینل[1]-2 با دو روش شبکه عصبی مصنوعی (ANN) و رگرسیون بردار پشتیبان (SVM) است. به تعداد 124 نمونه خاک از سه منطقه ایران (تهران، گرمسار و لرستان) برداشته شد. پس از نرمال­سازی داده­های موردنظر، معنی­داری همبستگی متغیرهای ورودی (شاخص­های طیفی و خصوصیات پایه­ای خاک) با خروجی (رطوبت سطحی) از نظر آماری بررسی گردید. سپس، مدل­سازی با روش­های مذکور انجام و نتایج مورد ارزیابی قرار گرفت. نتایج نشان داد که روش ANN کارایی بهتری نسبت به روش SVM دارد. در روش ANN، میانگین مقادیر، ریشه میانگین مربعات خطا (RMSE)، آکائیک (AIC)، ضریب تعیین (R2)، و ضریب بهبود نسبی (RI) به ترتیب در مرحله آموزش 033/0، 538-، 71/0 و 25/21 و در مرحله آزمون 410/0، 266-، 69/0 و 06/16 به دست آمدند. همچنین مقادیر میانگین RMSE، AIC، R2 و RI در روش SVM به ترتیب در مرحلۀ آموزش 035/0، 474-، 71/0 و 16/35 و در مرحلۀ آزمون 046/0، 252-، 63/0 و 21/20 به دست آمدند. در این پژوهش شاخص رنگ خاک (CI) نسبت به سایر شاخص­های طیفی با روش ANN بادقت بالاتری رطوبت خاک را برآورد کرده است؛ بنابراین روش شبکه عصبی مصنوعی با ایجاد ارتباط غیرخطی بین رطوبت سطح خاک و پارامترهای ورودی قادر به برآورد رطوبت خاک با دقت قابل‌قبول در منطقه موردمطالعه است. [1]. Sentinel-2 Satellite %U https://ijswr.ut.ac.ir/article_87096_0bee8b7b8ae2325f6209f678cab35e4e.pdf